pygod
v1.1.0
O Pygod é uma biblioteca Python para detecção outlier de gráfico (detecção de anomalia). Esse campo emocionante, mas desafiador, possui muitas aplicações importantes, por exemplo, detectando atividades suspeitas em redes sociais [1] e sistemas de segurança [2].
O Pygod inclui mais de 10 algoritmos de detecção de outlier de gráficos. Para consistência e acessibilidade, o Pygod é desenvolvido no topo da geométrica de Pytorch (PYG) e Pytorch e segue o design da API do pyod. Veja exemplos abaixo para detectar outliers com pygod em 5 linhas!
Pygod é apresentado para :
Detecção de Outlier usando pygod com 5 linhas de código :
# train a dominant detector
from pygod . detector import DOMINANT
model = DOMINANT ( num_layers = 4 , epoch = 20 ) # hyperparameters can be set here
model . fit ( train_data ) # input data is a PyG data object
# get outlier scores on the training data (transductive setting)
score = model . decision_score_
# predict labels and scores on the testing data (inductive setting)
pred , score = model . predict ( test_data , return_score = True )Citando pygod :
Nosso papel de software e papel de referência estão disponíveis ao público. Se você usar Pygod ou Bond em uma publicação científica, gostaríamos de citações nos seguintes trabalhos:
@article {jmlr: v25: 23-0963,
autor = {Kay Liu e Yingtong Dou e Xueying Ding e Xiyang Hu e Ruitong Zhang e Hao Peng e Lichao Sun e Philip S. Yu},
title = {{pygod}: uma biblioteca {python} para detecção de outlier de gráfico},
Journal = {Journal of Machine Learning Research},
ano = {2024},
volume = {25},
número = {141},
páginas = {1--9},
url = {http://jmlr.org/papers/v25/23-0963.html}
}
@Inproecedings {neurips2022_acc1ec4a,
author = {Liu, Kay and Dou, Yingtong and Zhao, Yue and Ding, Xueying and Hu, Xiyang and Zhang, Ruitong and Ding, Kaize and Chen, Canyu and Peng, Hao and Shu, Kai and Sun, Lichao and Li, Jundong and Chen, George H and Jia, Zhihao and Yu, Philip S},
booktitle = {Avanços nos sistemas de processamento de informações neurais},
editor = {S. Koyejo e S. Mohamed e A. Agarwal e D. Belgrave e K. Cho e A. Oh},
páginas = {27021--27035},
Publisher = {Curran Associates, Inc.},
title = {{bond}: Benchmarking não supervisionado Detecção de nó externa em gráficos estáticos atribuídos},
url = {https://proecedings.neurips.cc/paper_files/paper/2022/file/acc1ec4a9c780006c9aafd595104816b-paper-datasets_and_benchmarks.pdf},
volume = {35},
ano = {2022}
}
ou:
Liu, K., Dou, Y., Ding, X., Hu, X., Zhang, R., Peng, H., Sun, L. e Yu, PS, 2024. Pygod: Uma biblioteca de Python para detecção de outlier de gráfico. Journal of Machine Learning Research, 25 (141), pp.1-9. Liu, K., Dou, Y., Zhao, Y., Ding, X., Hu, X., Zhang, R., Ding, K., Chen, C., Peng, H., Shu, K., Sun, L. Li, J., J. Avanços nos sistemas de processamento de informações neurais, 35, pp.27021-27035.
Nota na instalação PYG e Pytorch : o Pygod depende da tocha e da Torch_geométrica (incluindo suas dependências opcionais). Para otimizar a instalação, o Pygod não instala essas bibliotecas para você. Por favor, instale -os nos links acima para executar o Pygod:
Recomenda -se usar o PIP para instalação. Verifique se a versão mais recente está instalada, pois o pygod é atualizado com frequência:
pip install pygod # normal install
pip install --upgrade pygod # or update if neededComo alternativa, você pode clonar e executar o arquivo setup.py:
git clone https://github.com/pygod-team/pygod.git
cd pygod
pip install .Dependências necessárias :
"Uma Introdução ao Blitz" demonstra a API básica de Pygod usando o detector dominante. Note -se que a API em todos os outros algoritmos é consistente/semelhante .
Referência completa da API: (https://docs.pygod.org). API Cheatsheet para todos os detectores:
Atributos -chave de um detector ajustado:
Entrada de pygod : passe em um objeto de dados PYG. Consulte Exemplos de processamento de dados PYG.
| Abbr | Ano | Espinha dorsal | Amostragem | Ref |
|---|---|---|---|---|
| Scan | 2007 | Clustering | Não | [3] |
| Gae | 2016 | GNN+AE | Sim | [4] |
| Radar | 2017 | Mf | Não | [5] |
| Anômalo | 2018 | Mf | Não | [6] |
| UM | 2019 | Mf | Não | [7] |
| DOMINANTE | 2019 | GNN+AE | Sim | [8] |
| FEITO | 2020 | MLP+AE | Sim | [9] |
| Adone | 2020 | MLP+AE | Sim | [9] |
| Anomalydae | 2020 | GNN+AE | Sim | [10] |
| Gaan | 2020 | Gan | Sim | [11] |
| DMGD | 2020 | GNN+AE | Sim | [12] |
| OCgnn | 2021 | Gnn | Sim | [13] |
| Cola | 2021 | GNN+AE+SSL | Sim | [14] |
| GUIA | 2021 | GNN+AE | Sim | [15] |
| Conad | 2022 | GNN+AE+SSL | Sim | [16] |
| Gadnr | 2024 | GNN+AE | Sim | [17] |
| CARTÃO | 2024 | GNN+SSL+AE | Sim | [18] |
Você pode contribuir com este projeto emocionante:
Consulte o Guia de Contribuição para obter mais informações.
Pygod é um grande esforço de equipe de pesquisadores da UIC, IIT, BUAA, ASU e CMU. Nossos membros principais da equipe incluem:
Kay Liu (UIC), Yingtong Dou (UIC), Yue Zhao (CMU), Xueying Ding (CMU), Xiyang Hu (CMU), Ruitong Zhang (Buaa), Kaize Ding (Asu), Canyu Chen (iit), IIT),
Alcance -nos enviando um relatório de emissão ou envie um email para [email protected].
| [1] | Dou, Y., Liu, Z., Sun, L., Deng, Y., Peng, H. e Yu, PS, 2020, outubro. Melhorando os detectores de fraude em rede neural gráfica contra fraudadores camuflados. Em Anais da 29ª Conferência Internacional da ACM sobre Gestão de Informações e Conhecimento (CIKM). |
| [2] | Cai, L., Chen, Z., Luo, C., GUI, J., Ni, J., Li, D. e Chen, H., 2021, outubro. Redes de gráficos temporais estruturais para detecção de anomalia em gráficos dinâmicos. Em Anais da 30ª Conferência Internacional da ACM sobre Gerenciamento de Informações e Conhecimento (CIKM). |
| [3] | Xu, X., Yuruk, N., Feng, Z. e Schweiger, TA, 2007, agosto. Digitalização: um algoritmo de cluster estrutural para redes. Em Anais da 13ª Conferência Internacional da ACM Sigkdd sobre Descoberta de Conhecimento e Mineração de Dados (KDD). |
| [4] | KIPF, TN e Welling, M., 2016. Ocoders de automóveis de gráfico variacional. Arxiv pré -impressão Arxiv: 1611.07308. |
| [5] | Li, J., Dani, H., Hu, X. e Liu, H., 2017, agosto. RADAR: Análise residual para detecção de anomalia em redes atribuídas. Em Anais da vigésima sexta Conferência Conjunta Internacional de Inteligência Artificial (IJCAI). |
| [6] | Peng, Z., Luo, M., Li, J., Liu, H. e Zheng, Q., 2018, julho. Anômalo: uma abordagem de modelagem conjunta para detecção de anomalia em redes atribuídas. Em Anais da Vigésima Sétima Conferência Conjunta Internacional de Inteligência Artificial (IJCAI). |
| [7] | Bandyopadhyay, S., Lokesh, N. e Murty, MN, 2019, julho. Incorporação de rede consciente de outlier para redes atribuídas. Em Anais da Conferência AAAI sobre Inteligência Artificial (AAAI). |
| [8] | Ding, K., Li, J., Bhanushali, R. e Liu, H., 2019, maio. Detecção de anomalia profunda em redes atribuídas. Em Anais da Conferência Internacional do SIAM sobre Mineração de Dados (SDM). |
| [9] | (1, 2) Bandyopadhyay, S., Vivek, SV e Murty, MN, 2020, janeiro. Arquiteturas profundas não supervisionadas resistentes à extinção para incorporação de rede atribuída. Em Anais da Conferência Internacional sobre Pesquisa na Web e Mineração de Dados (WSDM). |
| [10] | Fan, H., Zhang, F. e Li, Z., 2020, maio. Anomalydae: duplo autoencoder para detecção de anomalia em redes atribuídas. Em Anais da Conferência Internacional do IEEE sobre Acústica, Speech and Signal Processing (ICASSP). |
| [11] | Chen, Z., Liu, B., Wang, M., Dai, P., LV, J. e Bo, L., 2020, outubro. Detecção generativa de anomalia da rede atribuída adversária. Em Anais da 29ª Conferência Internacional da ACM sobre Gestão de Informações e Conhecimento (CIKM). |
| [12] | Bandyopadhyay, S., Vishal Vivek, S. e Murty, MN, 2020. Integrando a incorporação de rede e a detecção de discórdia externa da comunidade por meio da descrição do gráfico multiclasse. Fronteiras em inteligência e aplicações artificiais (FAIA). |
| [13] | Wang, X., Jin, B., Du, Y., Cui, P., Tan, Y. e Yang, Y., 2021. Redes neurais gráficas de uma classe para detecção de anomalia em redes atribuídas. Computação Neural e Aplicações. |
| [14] | Liu, Y., Li, Z., Pan, S., Gong, C., Zhou, C. e Karypis, G., 2021. Detecção de anomalia em redes atribuídas por meio de aprendizado contrastante auto-auto-supervisionado. Transações IEEE em redes neurais e sistemas de aprendizado (TNNLs). |
| [15] | Yuan, X., Zhou, N., Yu, S., Huang, H., Chen, Z. e Xia, F., 2021, dezembro. Detecção de anomalia baseada na estrutura de ordem superior em redes atribuídas. Em 2021, Conferência Internacional IEEE sobre Big Data (Big Data). |
| [16] | Xu, Z., Huang, X., Zhao, Y., Dong, Y. e Li, J., 2022. Detecção de anomalia de rede atribuída contrastiva com aumento de dados. Em Anais da 26ª Conferência do Pacífico-Ásia sobre Descoberta do Conhecimento e Mineração de Dados (PAKDD). |
| [17] | Roy, A., Shu, J., Li, J., Yang, C., Elshocht, O., Smeets, J. e Li, P., 2024. Gad-NR: Detecção de Anomalia do Gráfico via reconstrução do bairro. Em Anais da 17ª Conferência Internacional da ACM sobre Pesquisa na Web e Mineração de Dados (WSDM). |
| [18] | Wang Y., Wang X., He C., Chen X., Luo Z., Duan L., Zuo J., 2024. Aprendizado contrastivo guiado pela comunidade com reconstrução com reconhecimento de anomalias para detecção de anomalia em redes atribuídas. Sistemas de banco de dados para aplicativos avançados (DASFAA). |
